科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对滚动轴承在不同工况条件下样本分布不同以及故障样本数量不足导致故障诊断精度低、泛化性能差的问题，提出一种小样本下基于MTF与SSCAM-MSCNN的滚动轴承变工况故障诊断方法。首先，运用马尔科夫转移场（MTF）将一维振动信号转化为具有时间相关性的二维特征图。其次，提出条纹自校正注意力机制（SSCAM），它不仅可以加强模型在长距离方向上的特征提取能力，而且能建立通道间依赖关系，可以对全局有效信息进行捕捉。然后，将SSCAM引入到多尺度神经网络（MSCNN）中，构建出SSCAM-MSCNN模型。最后，将MTF二维特征图输入到所提模型中进行训练，采用优化后的网络模型进行测试并输出分类结果。将所提方法运用美国凯斯西储大学以及本实验室MFS滚动轴承数据集进行验证，同时对后者进行加噪处理，与其他故障诊断模型进行对比。试验结果表明，本文所提方法在小样本、变工况条件下具有更高的识别精度、更强的泛化性能与抗噪性能。
-
单位机电工程学院; 兰州理工大学
